6月27日-6月29日,2019年(第六届)世界智能计算机大会(BenchCouncil 2019)在深圳召开,会议聚集了包括中国工程院院士李国杰,中国科学院院士杨学军等在内的数十位国内外知名专家学者,共同探讨智能计算机产业相关的前沿技术。会上,中科曙光大数据首席科学家、大数据智能研究院院长宋怀明博士应邀在主论坛上发表题为“智能计算驱动产业升级”的主题演讲。
互联网海量数据的爆发式增长,5G和物联网时代的到来,人机物互联交互的发展,共同催生先进计算技术发展和迭代。而智能计算作为先进计算的重要组成部分,既会为传统计算带来新机遇,也会与传统计算融合共同发展。
智能计算是以智能驱动的计算,它与传统计算不仅是IT基础架构的不同,而是以实现智能化应用为目标,以智能计算机为基础,通过深度学习、云计算、大数据等技术相互融合支撑的一种计算方式。智能计算的发展和应用有助于政府、企业的智慧化转型,推动产业和社会变革创新。
宋怀明在会上介绍了曙光在智能计算领域的布局:在传统计算向智能计算的转变中,以“强劲的计算力、计算普惠化和全栈智能计算场景”为三大引擎发展智能计算,为用户提供“便捷、经济、全面”的智能计算资源。
其中,“强劲的计算力”是指曙光打造完整的智能计算产品线,支持适用于不同应用场景的多种芯片,同时提供智能超算、深度学习服务器、按需分配的存储、超融合一体机等全线产品为用户提供强劲的计算能力。“计算普惠化”指的是以人工智能服务平台、先进计算服务平台以及遍布全国的云数据中心、先进计算中心等载体,通过云计算、边缘计算、通用计算等方式为客户提供垂手可得、便捷部署、经济节能的智能计算服务。而“全栈智能计算场景”则是指中科曙光携手各行业的合作伙伴,以智能计算为抓手,共同构筑AI生态,构建安防、医疗、科研、互联网、金融、环境、农业、制造等多领域全栈全场景智能解决方案,帮助客户实现业务智能化转型。
随着智能化产业蓬勃发展,“行业+智能”正在成为企业未来竞争力的关键体现。智能计算与产业应用的多元融合,推动科技创新,能够让各种智慧应用的落地成为可能。例如,目前人脸识别技术被广泛应用于智能计算场景之中,而由中科曙光推出的“曙光慧眼智能视频人脸识别一体机”就是典型的应用范例,它拥有基于深度神经网络构建的高效率、高准确率的检测和识别算法,可广泛应用于会场、车站、机场、学校、地铁、小区、超市、宾馆、企业前台等复杂场景。
“为应对万物互联时代持续计算带来的机遇与挑战,曙光致力于打造完整的先进计算产品线并进行全产业链布局。”宋怀明介绍,中科曙光联合上下游企业进行协同研发和服务部署,促进各领域深入应用,完善先进计算产业生态,创造产业发展新格局。
此外,在“世界智能计算机大会颁奖典礼”上,中科曙光凭借自身在信息技术领域的技术优势与丰富的实践经验,摘得“智能计算领军企业”大奖。
“国际人工智能系统大赛”宣讲在大会期间同步举行,国际测试委员会(BenchCouncil)执行委员会主席詹剑峰宣布大赛正式启动,中科曙光赞助了其中一个赛道,以此来支持智能计算领域的人才培养和生态建设。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。